💡
原文中文，约1700字，阅读约需4分钟。
📝
内容提要
DeepMind和伦敦帝国理工学院的研究人员开发了一种新方法，使用FermiNet神经网络波函数来准确计算正电子-分子复合物的基态性质。研究人员发现，FermiNet可以在不同正电子结合特性的原子和小分子范围内生成高度准确的基态能量。该方法应用于具有挑战性的非极性苯分子，并取得了与实验值一致的结果。该研究展示了基于神经网络波函数的方法的一般优势及其在标准分子哈密顿量之外的应用。
🎯
关键要点
- DeepMind和伦敦帝国理工学院的研究人员开发了一种新方法，使用FermiNet神经网络波函数计算正电子-分子复合物的基态性质。
- FermiNet能够在不同正电子结合特性的原子和小分子中生成高度准确的基态能量。
- 该方法在非极性苯分子上的应用结果与实验值高度一致，显示出其通用优势。
- 正电子-分子复合物基态性质的量子化学计算具有挑战性，主要困难在于基组的选择。
- 研究人员提出了一种新方法，基于FermiNet波函数假设，避免了描述正电子波函数的困难。
- FermiNet被扩展以表示波函数的正电子分量，获得灵活而准确的混合电子-正电子波函数。
- 研究结果表明，该方法在描述正电子结合机制时能够达到最先进的精度。
- 苯的正电子结合能与实验值和多体理论结果非常接近，湮灭率与高精度计算结果相当。
- FermiNet-VMC方法提供了准确的湮灭率，适合计算电子-正电子相关性。
- 该方法无需系统特定的调整，即可为多种正电子结合机制的分子产生高度准确的结果。
➡️
